Trei moduri în care agenții de publicitate mobili pot beneficia de învățarea automată

Învățarea automată este unul dintre cele mai populare domenii din ultima vreme. Subiectul face obiectul unor cercetări teoretice intense, implementări industriale practice, precum și câteva temeri nu atât de justificate (majoritatea fiind despre roboții care ucid toți oamenii).

Învățarea automată este de obicei definită ca „ un tip de inteligență artificială (AI) care oferă computerelor capacitatea de a face anumite sarcini, cum ar fi recunoașterea, diagnosticarea, planificarea, controlul robotului, predicția etc., fără a fi programate în mod explicit. Se concentrează pe dezvoltarea algoritmilor care se pot învăța singuri să crească și să se schimbe atunci când sunt expuși la date noi.”

Acest lucru ne aduce la întrebarea: cum este utilizată învățarea automată în industria publicității mobile? Ne-am întâlnit cu doi oameni de știință de date de la AppLift, dr. Florian Hoppe și Bruno Wozniak, pentru a înțelege cum algoritmii de învățare automată pot ajuta la promovarea campaniilor mai eficient și mai rentabil.

Iată trei exemple majore: licitare în timp real (RTB), direcționare similară și îmbunătățirea datelor despre utilizatori .

1.DSP-urile folosesc algoritmi de învățare automată pentru a licita pentru traficul RTB

Primul domeniu al publicității mobile care poate fi îmbunătățit prin învățarea automată (ML) este traficul de licitare în timp real (RTB). Într-un mediu RTB, platformele la cerere (DSP) trebuie să determine suma optimă de licitat pentru fiecare afișare specifică . Majoritatea schimburilor activate RTB vor permite doar o latență maximă de răspuns de 100 de milisecunde, ceea ce înseamnă că o evaluare bazată pe date a impresiei trebuie să fie generată într-un interval de timp extrem de scurt.

Pentru a determina cât să licitați, algoritmul trebuie să evalueze probabilitatea ca afișarea să aibă ca rezultat valori bune de performanță, cum ar fi rata de clic (CTR), rata de conversie/instalare (CR/IR) și chiar după instalare. evenimente care permit aproximarea valorii de viață (LTV). Această evaluare se face în mod programatic, utilizând datele furnizate odată cu afișarea, fie de la editor, fie de la o platformă de gestionare a datelor (DMP), precum și date primare de la agentul de publicitate ca intrare.

Algoritmii ML iau mostre de date istorice pentru a estima performanța viitoare . De exemplu, ei pot determina că un banner care provine de la un anumit ISP, sistem de operare, site web, demografice etc. are o probabilitate de 2% să aibă ca rezultat o conversie. Cea mai grea parte a utilizării mostrelor de date istorice este să știi pe care să le ia (determinarea intervalului de timp, precum și o multitudine de alte atribute). Algoritmii sunt mult mai eficienți decât oamenii în a evalua exact care atribute ale afișărilor sunt buni predictori ai performanței mai bune a reclamelor , deoarece le poate analiza pe toate simultan, în timp ce un om este destul de limitat în găsirea modelelor în seturile de date istorice ale traficului publicitar.

Configurarea algoritmilor ML rămâne cea mai grea parte, deoarece oamenii de știință trebuie să ia decizii inteligente cu privire la o mulțime de variabile din algoritm, cum ar fi ce metodă să folosească (de exemplu regresia logistică/Poisson, Bandit Bayesian; vezi întreaga listă aici), ce lungime intervalul de timp de alocat pentru a crea setul de date istorice, precum și cu ce schemă de codificare să prezinte impresiile algoritmului.

2. Segmentele pentru direcționarea asemănătoare sunt determinate cu algoritmi de învățare automată

Al doilea domeniu al publicității mobile în care algoritmii de învățare automată vin să servească este gruparea și direcționarea publicului asemănător. Publicul asemănător a devenit mai cunoscut prin Facebook, ale cărui date extinse de la prima parte au făcut ca funcționalitatea să fie extrem de puternică.

Astăzi, majoritatea rețelelor și schimburilor de anunțuri oferă cumpărătorilor opțiuni de direcționare granulare, cel puțin la nivel de dispozitiv. De exemplu, puteți afișa reclame utilizatorilor Android care locuiesc în zona Chicago. Partea dificilă este să știi care cluster sau set de atribute este relevant pentru a viza un obiectiv specific. Rolul algoritmilor ML este de a ajuta la definirea celor mai bune grupuri de audiență , așa cum sunt definite de un set specific de atribute, pentru a viza grupuri similare – asemănătoare.

Mai precis, algoritmii ML vor determina, dintr-un set larg de atribute disponibile, care sunt cele mai relevante pentru a atinge un anumit obiectiv, creând astfel un cluster de audiență. Pentru a lua un exemplu simplu, vor afla că femeile de peste 30 de ani au mai multe șanse să termine un tutorial de joc. Aprofundând și mai mult, algoritmii ML vor deriva reguli pentru a atribui automat un nou utilizator unui grup definit și, în cele din urmă, vor prezice modul în care acest utilizator va reacționa la anunțurile date. Cu atât grupurile, cât și regulile de alocare ale utilizatorilor definite, direcționarea asemănătoare poate fi implementată pentru a afișa anunțuri specifice numai utilizatorilor cu cea mai mare probabilitate de a manifesta interes pentru produsul promovat.

3. DMP-urile folosesc algoritmi de învățare automată pentru a îmbunătăți datele utilizatorilor

Al treilea domeniu în care algoritmul de învățare automată ajută la îmbunătățirea publicității mobile este îmbunătățirea datelor de afișare pentru platformele de gestionare a datelor (DMP). Într-un mediu RTB, afișările vin de obicei împreună cu datele despre utilizatori și dispozitive de la nivel de editor. Acestea din urmă pot fi mai mult sau mai puțin extinse în funcție de amploarea datelor colectate de editor. Cu toate acestea, rareori este suficient ca cumpărătorii să ia o decizie de cumpărare informată , mai ales într-un mediu programatic solicitant. De exemplu, nu mulți editori sunt capabili să ofere date demografice despre utilizatori (doar Facebook și alții o fac), dar acest tip de date este esențial pentru cumpărători. Aici intervin DMP-urile, îmbogățind și sporind datele din partea ofertei pentru a oferi o imagine mai bună față de cererea pentru ceea ce licitează.

În acest context, algoritmii de învățare automată servesc la îmbunătățirea deciziei de cumpărare prin îmbogățirea datelor utilizatorilor pentru fiecare impresie. Folosind modele statistice create dinamic, obțin informații suplimentare relevante despre utilizatori din seturi de date terță parte . Aceste date terță parte pot fi fie furnizate direct de către editor (dispozitiv, aplicație sau site mobil pe care se află utilizatorul), fie pot proveni dintr-un set de date extern (recenzii ale utilizatorilor).

Mai precis, prin distilarea corelațiilor statistice încrucișate din datele terțelor părți, este posibil ca DMP să deducă atribute altfel necunoscute, cum ar fi datele demografice ale utilizatorilor, care sunt esențiale pentru direcționare. În cele din urmă, algoritmii ajută la gestionarea inexactității inerentă a unor astfel de informații , calculând probabilitatea ca un anumit atribut de afișare să poată fi utilizat pentru a obține atribute suplimentare care sunt apoi mai specifice și mai relevante pentru agentul de publicitate. De exemplu, pot calcula probabilitatea ca un utilizator să fie bărbat, sub 21 de ani și un jucător frecvent la jocuri de strategie.

Cu ajutorul algoritmilor de învățare automată, DMP-urile pot ajuta apoi DSP-urile să îmbunătățească prețul unei sume licitate pentru o anumită impresie.

Algoritmii de învățare automată joacă un rol crucial în ecosistemul RTB mobil, care este o parte din ce în ce mai mare a plăcintei de publicitate mobilă și online. Elementul comun tuturor cazurilor de utilizare de mai sus este faptul că algoritmii permit automatizarea scalabilă a predicțiilor bazate pe date istorice. Puterea lor supremă este aceea de a permite agenților de publicitate mobili, împreună cu toți ceilalți jucători ai ecosistemului adtech, să depășească limitările analizei valorilor agregate pentru luarea deciziilor . În schimb, fac posibilă optimizarea la cel mai granul nivel posibil: fiecare interacțiune a utilizatorului .

Aveți întrebări sau doriți să vă împărtășiți experiența de lucru cu algoritmi de învățare automată? Spune-ne în comentarii!

Notă: O versiune a acestui articol a fost publicată inițial pe blogul AppLift.

Vă place acest articol? Înscrieți-vă pentru e-mailurile cu rezumatul blogului nostru.